基于改进BiSeNetV2的复杂场景下山药叶片病害分割方法BiSeNeXt

本文提出了一种基于改进BiSeNetV2的山药叶片病害分割方法BiSeNeXt，针对复杂场景下叶片重叠、光照不均和病斑形态不规则等挑战，首次构建了高质量山药病害数据集。通过动态特征提取模块（DFEB）、高效非对称多尺度注意力（EAMA）和点级优化解码器（PointRefine），显著提升了病斑边界分割精度（IoU达84.75%），同时将计算量降至DeepLabV3+的11.81%。该方法为作物精准植保提供了高效技术方案。

　　

引言

山药作为重要药食同源作物，其叶片病害严重影响产量与品质。现有研究多集中于番茄、苹果等作物，而山药病害分析尚属空白。复杂田间环境中的叶片重叠、光照不均和小病斑粘连等问题，导致传统分割方法精度不足。本研究首次提出针对山药叶片病害的解决方案，为病害识别和精准施药奠定基础。

材料与方法

数据采集：构建包含炭疽病、褐斑病和灰斑病的三类病害数据集，共1,097张高分辨率图像，涵盖晴雨多云等多种天气条件。采用Labelme进行像素级标注，并通过饱和度调整、旋转等6种方法增强数据。

模型架构：

1. 动态特征提取模块（DFEB）：结合动态感受野卷积（DRFConv）和像素重排下采样（PixelShuffle），增强边界特征并减少信息丢失。DRFConv通过Softmax生成注意力权重，解决传统卷积参数共享局限；PixelShuffle通过张量重组保留细节，计算效率提升30%。

2. 高效非对称多尺度注意力（EAMA）：融合非对称卷积与并行多尺度结构，采用通道分组和跨空间学习策略，显著缓解病斑粘连问题。实验显示其病斑分割IoU比CBAM提升0.63%。

3. 点级优化解码器（PointRefine）：基于PointRend思想，自适应选择预测不确定点（β=0.75）进行逐点优化，使小病斑分割召回率提升2.95%。

实验结果

性能指标：在512×512分辨率图像上，BiSeNeXt达到叶片分割IoU 97.04%、病斑分割IoU 84.75%，较DeepLabV3+分别提升2.22%和5.58%，参数量仅3.22M（减少92.19%）。

场景验证：

• 叶片遮挡：在重叠叶片场景中，病斑误检率降低至5.3%，显著优于UNet++的12.7%。

• 雨滴干扰：通过EAMA的多尺度特征融合，病斑粘连率下降40%。

• 跨作物泛化：在苹果叶病害数据集上未微调即实现病斑IoU 80.66%，验证模型普适性。

讨论与展望

当前方法在极端光照和密集病斑场景仍存在约15%的漏检率。未来计划扩展雾霜等环境数据集，并部署至移动端实现田间实时监测。通过集成抖动检测和距离反馈机制，进一步提升动态场景下的鲁棒性。

（注：全文严格依据原文数据及结论缩编，未新增非原文信息）